Google, Tambo e GenUI: três abordagens para interfaces de AI montadas em tempo real

Generative UI vai além de chatbots: o modelo não apenas escreve uma resposta, mas também decide qual interface mostrar ao usuário em um momento específico. Uma nova análise explica onde essa abordagem é realmente útil — desde análise de dados até reservas — e por que a escolha arquitetural importa mais do que a tendência de sistemas baseados em agentes.

Como GenUI é Diferente

Em um chat IA típico, o usuário recebe texto, às vezes com uma tabela ou formatação markdown, mas a lógica da tela permanece pré-codificada no produto. Generative UI vai além: o modelo pode selecionar o componente certo por conta própria, montar um formulário, mostrar um card com insight, um gráfico ou navegação pelos resultados. Isso é especialmente útil onde a interface depende não de um único cenário, mas do contexto da solicitação, tipo de dados e próximo passo do usuário.

"A interface é muito variável para hardcode de todos os estados."

O material destaca quatro casos típicos onde GenUI é realmente justificado: se o resultado gerado deve existir como um artefato editável, se um agente precisa coletar dados estruturados através de um formulário, se a resposta é melhor mostrada visualmente em vez de em parágrafos de texto, e se o usuário precisa se mover entre múltiplas opções encontradas. A ideia aqui não é tornar a interface mais impressionante, mas reduzir a carga cognitiva desnecessária e acelerar o trabalho com a resposta.

Três Modelos de Montagem

O autor examina três abordagens arquiteturais, cada uma com seu próprio equilíbrio entre liberdade do modelo, qualidade de UX e riscos do produto.

O caminho mais óbvio é deixar o modelo gerar HTML e renderizá-lo diretamente no navegador. Isso é rápido para um protótipo, mas em produção essa opção é frágil: o modelo quebra facilmente o design system, inventa atributos inexistentes e levanta preocupações adicionais de segurança.

• Geração HTML — máxima liberdade para o modelo, controle mínimo para o time de produto.
• Abordagem declarativa — o agente descreve a interface através de JSON e um dicionário de componentes, e o cliente a renderiza dentro de seu próprio UI kit.
• Seleção de componente pronto — o agente não codifica a interface, mas substitui dados em cards pré-montados, gráficos e formulários.

O caminho intermediário aqui é a montagem declarativa, onde o agente não escreve código diretamente, mas funciona como um compositor de elementos atômicos. O artigo nota que essa abordagem formaliza o protocolo A2UI do Google, publicado em dezembro de 2025.

A opção mais controlável é uma biblioteca de componentes prontos: o modelo tem menos liberdade, mas a interface permanece previsível. Essa abordagem é menos adequada para um número infinito de cenários, mas funciona melhor onde UX importa mais que improvisação.

Por que Tambo Foi Escolhido

O caso prático no artigo envolve um assistente IA para análise de marketing. Em tal produto há uma área de trabalho com tabelas e slices onde o usuário analisa dados, e há um chat com um agente que ajuda a encontrar insights. O problema é que é útil para o agente mostrar mini-gráficos, cards e resumos, mas você não pode permitir que ele reconstrua livremente a área de trabalho principal.

Para um produto de análise, este é o artefato principal, e qualquer dinamismo extra ali apenas atrapalha.

Como resultado, o autor optou por Tambo — um framework open source para React que funciona no modelo de componente pronto e adiciona ciclo de vida, estados e comunicação bidirecional entre UI e agente através de AG-UI. Os componentes são registrados com descrições e esquemas Zod de props, após o que o agente escolhe o que mostrar e pode fazer streaming de dados para o componente em tempo real.

A área de trabalho nesse esquema permanece estável e pré-montada, enquanto todos os elementos generativos — gráficos, cards, resumos rápidos — vivem no chat e não quebram a UX principal.

O Que Isso Significa

Generative UI deixa de ser um experimento para demos e se torna uma camada aplicada de produtos IA. A conclusão principal é simples: escolha não o framework mais moderno, mas o grau de liberdade que você está disposto a dar ao modelo sem comprometer a interface, segurança e lógica do fluxo de trabalho do usuário.